Apprentissage Statistique pour l'Évaluation de la Qualité de Service et le Dimensionnement des Réseaux Cellulaires Sans Fil

Statistical Learning for Quality of Service Evaluation andDimensioning of Wireless Networks

• Auteur / Autrice : Lucas Darlavoix
• Direction : Bartlomiej Blaszczyszyn
• Type : Projet de thèse
• Discipline(s) : Informatique
• Date : Inscription en doctorat le ; Soutenance le 15/12/2025
• Etablissement(s) : Université Paris sciences et lettres
• Ecole(s) doctorale(s) : École doctorale Sciences mathématiques de Paris centre
• Partenaire(s) de recherche : Laboratoire : DIENS - Département d'informatique de l'École normale supérieure
• Partenaire(s) de recherche : établissement opérateur d'inscription : Ecole normale supérieure - PSL
• Jury : Président / Présidente : Hervé Chauris
• Jury : Examinateurs / Examinatrices : Bartlomiej Blaszczyszyn, Richard Combes, Marios Kountouris, Lina Mroueh, Émilie Chautru, Tijani Chahed, Zwi Altman
• Jury : Rapporteurs / Rapporteuses : Richard Combes, Marios Kountouris

Mots clés

Mots clés libres

Réseaux Cellulaires

Prédiction de Charge

Apprentissage Statistique

Apprentissage d'Ensemble

Qualité de Service (QoS)

Cellular Networks

Load Prediction

Statistical Learning

Ensemble Learning

Quality of Service (QoS)

Résumé

La prédiction précise de la charge d'un réseau cellulaire par rapport à une demande de trafic est essentielle pour sa planification stratégique et notamment pour son dimensionnement. Cette thèse évalue une gamme de modèles prédictifs, allant de modèles mathématiques fondés sur la physique, à des méthodes d'apprentissage statistique pilotées par la donnée, afin d'identifier les approches les plus robustes et efficaces pour cette tâche. Pour la prévision à court terme, l'étude révèle que les modèles non-linéaires complexes et spécifiques à chaque cellule atteignent la meilleure précision. En particulier, un réseau de neurones qui prend en compte le trafic d'un voisinage localisé de cellules proches surpasse les approches de référence globales. Ceci démontre l'importance de capturer les dépendances spatiales locales, tout en gérant soigneusement la complexité du modèle pour éviter le surapprentissage, qui survient lors de l'utilisation des données de l'ensemble du réseau. Une autre contribution majeure de ce travail est l'analyse de la performance à long terme en présence d'une dérive temporelle, c'est-à-dire de l'évolution naturelle de la dynamique du réseau au fil du temps. Sur des horizons allant jusqu'à deux ans, un clair renversement des performances est observé. Les modèles complexes, si efficaces à court terme, subissent une dégradation significative de leur précision. À l'inverse, les modèles plus simples et ceux basés sur la physique font preuve d'une résilience notoire. En effet, un modèle de base piloté par la donnée, qui n'utilise que l'historique de trafic propre à une cellule, fournit de manière constante les prévisions à long terme les plus fiables, n'étant concurrencé que par le modèle mathématique susmentionné. Cette thèse conclut qu'il existe un compromis fondamental entre la précision à court terme et la stabilité à long terme. Pour les applications stratégiques de long terme, requises par les opérateurs réseau, la simplicité du modèle et la résistance au surapprentissage s'avèrent donc être des facteurs de succès plus critiques que la capacité à modéliser des interdépendances spatiales complexes et éphémères.

Accurate prediction of the cellular network load relative to a traffic demand is essential for strategic network planning and resource management. This thesis evaluates a range of predictive models, from physics-based mathematical frameworks to data-driven statistical learning methods, to identify the most robust and efficient approaches for this task. For short-term forecasting, the investigation reveals that cell-specific, complex non-linear models achieve the highest accuracy. Specifically, a neural network that considers traffic from a localized neighborhood of nearby cells outperforms global benchmarks. This demonstrates the importance of capturing local spatial dependencies, while carefully managing model complexity to avoid the overfitting, that occurs when using data from the entire network. Another major contribution of this work is the analysis of long-term performance in the presence of temporal drift, namely the natural evolution of network dynamics over time. On horizons extending up to two years, a striking reversal in performance is observed. The complex models, so effective in the short term, suffer significant accuracy degradation. In their place, physics-based and simpler models demonstrate remarkable resilience. Indeed, a basic data-driven model that uses only a cell’s own historical traffic consistently delivers the most reliable long-term forecasts, rivaled only by the aforementioned mathematical model. This thesis concludes that a fundamental trade-off exists between short-term accuracy and long-term stability. For the strategic, long-horizon applications required by network operators, model simplicity and resistance to overfitting thus prove to be more critical factors for success than the capacity to model intricate, transient spatial patterns.